本文提出了一种基于结构耦合核的 BO 方法 LADDER,使用深度生成模型的潜在表示来优化组合空间,解决了传统 BO 方法中代理模型只利用深度生成模型学习的信息对黑盒函数进行近似的缺陷,并通过实验验证表现优越。
Nov, 2021
通过使用多线性多项式和指数权重更新,我们提出了一种基于模拟退火的计算有效模型学习算法,以优化布尔双立方体上的黑盒函数优化问题,并获得了比文献中现有算法快几个数量级的计算时间和具有竞争性的性能。
Jun, 2020
本文提出了一种处理高维黑盒函数优化挑战的方法 —— 通过 (1) 推断函数的潜在加法结构以进行更加高效和有效的贝叶斯优化,(2) 并行进行多次评估以减少方法所需的迭代次数。通过 Gibbs 抽样学习潜在结构,并使用定向点过程构建批量查询。实验结果证明,该方法优于现有技术。
Mar, 2017
我们提出了一种扩展的 SnAKe 算法,可以同时处理实验成本和输入参数变化成本,包括最大允许输入变化和多目标设置。
Dec, 2023
本文介绍一种将组合优化算法和深度学习相结合的方法,利用神经网络中的组合构建块来解决原始输入数据中的组合问题,如机器人中的路线规划和多目标跟踪中的全局一致性保证。作者将 Gurobi MIP 求解器、Blossom V 算法和 Dijkstra 算法引入到结构中,实现了高效的反向传递,为旅行商问题,最小成本完美匹配问题和最短路径问题提供了特征提取方案。
Dec, 2019
本文提出了一个深度学习框架,基于具有随机先验的 bootstrap 整合的神经体系结构,用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系,测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。
Feb, 2023
该研究论文提出了一种基于贝叶斯优化的新型图优化框架,通过将原图中的每个 k - 节点子集映射到新的组合图中,并采用局部建模方法来高效遍历后者的子图,从而解决了在图上定义的函数进行组合优化的问题。大量实验证明了该框架在各种类型的图和优化任务上的有效性,并通过消融实验进行了详细分析。
May, 2024
本研究提出了一种基于神经网络的无数据训练方法,用于解决组合优化问题,特别是最大独立集和最大团的问题,并提出了通用的图缩小过程来处理大规模图形。这种方法在无需数据的情况下,可与有监督学习、强化学习和基于机器学习的现有方法相媲美或更优,具有广泛的适用性。
Mar, 2022
通过统一的框架和标准化的黑盒函数,针对化学和生物学的实际应用领域,该论文研究了贝叶斯优化的高维优化方法和技术难点,并提供了易于拓展的软件库,以方便实践者更好地应用于离散优化问题。
Jun, 2024
本研究针对基于贝叶斯优化的排列空间问题,提出了两种算法:BOPS-T 和 BOPS-H。两种算法均采用了高斯过程模型,BOPS-T 采用 Kendall 核函数和可处理的采集函数优化方法,BOPS-H 采用 Mallow 核函数和启发式搜索方法来优化期望改进采集函数。理论分析和实验表明,这两种算法在人工和实际基准测试中均优于同类问题的最先进的 BO 算法。
Dec, 2021